图像分割方法分享 | 基于优选集成ConvNet的脑癌图像分割方法

最新推荐文章于 2024-05-14 21:17:19 发布

太阳碎片Bella

最新推荐文章于 2024-05-14 21:17:19 发布

阅读量742

点赞数

分类专栏：论文研究文章标签：深度学习计算机视觉人工智能机器学习图像处理

本文链接：https://blog.csdn.net/bella_zhang0701/article/details/128135225

版权

本文介绍了一种基于优选集成的深度学习方法，用于脑癌图像分割。该方法结合了3D ConvNet和3D U-Net的子网络，通过"优选集成"策略提高分割精度。每个子网络针对不同的肿瘤子区域进行训练，通过 dice 和 focal 损失函数进行优化。实验结果表明，这种方法在MBTSC-2019数据集上获得了较高的分割精度，尤其在肿瘤核心和整肿瘤的分割上表现突出。

摘要由CSDN通过智能技术生成

前言

略。

1 方法

使用单个的神经网络进行图像分割的效果通常精度较低达不到预期，因此笔者对深度神经网络进行优选集成以适应脑肿瘤分割的任务．具体来说，提出了由２个网络组成的轻量级集成方法，每个网络都有选择地在训练集上进行训练．这些网络的输出是在分割肿瘤子区域方面有所不同的分割图，最后将分割图组合起来得到最终的预测．这２个网络的训练细节如下．

1.1 子网络1:3维－ConvNet

集成中使用的第1个子模型是3维－ConvNet。它使用具有加权空洞卷积的多纤维单元进行多尺度表征以用于3维体积分割，如图1所示．另外，对该网络进行微调，以改善分割效果。

在将数据输入网络进行训练之前，使用多种数据扩充技术如裁剪、旋转、镜像等对数据进行增强．使用块大小为128×128，并结合了dice损失和focal损失函数在150个epochs上训练模型．微调的超参数如表1所示。

MRI数据应用零填充，使得原始240×240×155大小的体素被转换为240×240×160，即正好可以被网络整除的深度．一旦准备好数据进行验证，就通过训练好的网络来生成概率图．随后使用这些概率图进行集成以预测最终的结果．

1.2 子网络2:3维－U型ConvNet

集成的第2个子模型是与经典U型－ConvNet体系结构不同的3维U-Net变体，与之不同的是其中的ReLU激活函数被Leaky-ReLU所取代，并使用实例归一化（ｉｎｓｔａｎｃｅｎｏｒｍａｌｉｚａｔｉｏｎ，简称ＩＮ）以代替批量归一化（ｂａｔｃｈｎｏｒｍａｌｉｚａｔｉｏｎ，简称ＢＮ）．使用其在ＭＢＴＳＣ－２０１９数据集上从零开始训练，如图２所示，其中紫框表示３维卷积单元，红线表示最大池化操作，蓝线表示３线性上采样（ｔｒｉｌｉｎｅａｒｕｐｓａｍｐｌｉｎｇ）操作且橘线表示合并操作．同样对该网络进行微调以改善分割效果．

通过裁剪数据来减少ＭＲＩ大小．然后通过其他异构数据的中值体素空间重新采样，随后进行ｚ－ｓｃｏｒｅ归一化．为了训练网络，使用输入块大小为１２８×１２８×１２８的体素且批量大小为２．在学习时对数据应用不同的图像增强技术如旋转、镜像反转和伽马校正以避免过拟合，从而提高模型的分割精度．使用的损失函数结合了交叉熵损失函数与ｄｉｃｅ损失函数．表２详细说明了训练过程中的超参数.